算法的时间复杂度

        一个算法的时间复杂度(Time Complexity)是指该算法的运行时间与问题规模的对应关系。一个算法是由控制结构和原操作构成的，其执行的时间取决于二者的综合效果。为了便于比较同一问题的不同算法，通常把算法中基本操作重复执行的次数（频度）作为算法的时间复杂度。算法中的基本操作一般是指算法中最深层循环内的语句，因此，算法中基本操作语句的频度是问题规模n的某个函数f(n)，记作：T(n)=O(f(n))。其中“O”表示随问题规模n的增大，算法执行时间的增长率和f(n)的增长率相同，或者说，用“O”符号表示数量级的概念。

        如果一个算法没有循环语句，则算法中基本操作的执行频度与问题规模n无关，记作O(1)，也称为常数阶。如果算法只有一个一重循环，则算法的基本操作的执行频度与问题规模n呈线性增大关系，记作O（n），也叫线性阶。常用的还有平方阶O（n2）、立方阶O（n3）、对数阶O(log2n)等。

        (一般情况下，算法中基本操作重复执行的次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时，T（n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=Ｏ(f(n)),称Ｏ(f(n)) 为算法的渐进时间复杂度，简称时间复杂度。

在各种不同算法中，若算法中语句执行次数为一个常数，则时间复杂度为O(1),另外，在时间频度不相同时，时间复杂度有可能相同，如T(n)=n_²+3n+4与T(n)=4n²+2n+1它们的频度不同，但时间复杂度相同，都为O(n²)。

按数量级递增排列，常见的时间复杂度有：
常数阶O(1),对数阶O(log₂n),线性阶O(n),
线性对数阶O(nlog₂n),平方阶O(n²)，立方阶O(n³),...，
k次方阶O(n^k),指数阶O(2ⁿ)。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低。

)

下面举例来说明计算算法时间复杂度的方法。
【例1-4】 分析以下程序的时间复杂度。
x=n; /*n>1*/
y=0;
while(y < x)
{
y=y+1; ①
}
解：这是一重循环的程序，while循环的循环次数为n，所以，该程序段中语句①的频度是n，则程序段的时间复杂度是T(n)=O（n）。
【例1-5】 分析以下程序的时间复杂度。
for(i=1；i<n；++i) {
for(j=0；j<n；++j)
{
A[i][j]=i*j; ①
}
}
数据结构（C#语言版）
1.3 数学预备知识 7
解：这是二重循环的程序，外层for循环的循环次数是n，内层for循环的循环次数为n，所以，该程序段中语句①的频度为n*n，则程序段的时间复杂度为T(n)=O（n2）。
【例1-6】 分析以下程序的时间复杂度。
x=n; /*n>1*/
y=0;
while(x >= (y+1)*(y+1))
{
y=y+1; ①
}
解：这是一重循环的程序，while循环的循环次数为n，所以，该程序段中语句①的频度是n，则程序段的时间复杂度是T(n)=O（n）。
【例1-7】 分析以下程序的时间复杂度。
for(i=0;i<m;i++)
{
for(j=0;j<t;j++)
{
for(k=0;k<n;k++)
{
c[i][j]=c[i][j]+a[i][k]＊b[k][j]; ①
}
}
}
解：这是三重循环的程序，最外层for循环的循环次数为m，中间层for循环的循环次数为t，最里层for循环的循环次数为t，所以，该程序段中语句①的频度是m*n*t，则程序段的时间复杂度是T(n)=O（m*n*t）